一种基于知识图谱和社交图谱融合增强的图神经网络推荐方法技术

一种基于知识图谱和社交图谱融合增强的图神经网络推荐方法，包括：1)初始嵌入层致力于编码用户、项目和实体节点，将这些属性转换为高维空间中的向量表示；2)融合来自不同来源的特征以增强模型的表征能力；3)通过图神经网络的多层结构，实现信息的有效传播和迭代更新；4)将经过多轮迭代更新后的节点表示进行整合拼接，形成全面的特征表示；5)通过动态调整社交图谱和知识图谱之间的权重比例，确保模型能够根据不同情景灵活调整，以达到最佳的推荐效果；6)用户和项目嵌入的点积作为最终评分，利用BPR损失函数，利用矩阵分解和用户‑项目评分矩阵，通过贝叶斯最大后验概率进行优化。本发明专利技术在社交推荐与知识驱动推荐之间实现了高效平衡。

【技术实现步骤摘要】

本专利技术属于图神经网络推荐系统，尤其涉及一种基于知识图谱和社交图谱融合增强的图神经网络推荐方法。

技术介绍

1、在互联网信息爆炸式增长的时代，海量信息涌入人们的生活当中，推荐系统作为一种从纷繁信息中过滤出用户感兴趣的信息的工具，已经被广泛的应用于电子商务、社交媒体、互联网广告以及问答服务等领域。它可以帮助用户做出合理的选择和决策，提高数据处理的效率，并有效缓解信息爆炸问题。目前，传统的推荐算法包括协同过滤、基于内容的推荐等。然而，由于数据稀疏性的问题，基于用户更弱关联信息的推荐变得不可能。因此，学者们尝试采用深度学习方法。

2、近年来，深度学习技术的兴起为解决上述问题提供了新的视角。作为人工智能研究的一个重要分支，深度学习通过构建多层次的神经网络，能够捕捉到更加深层次和抽象的数据特征，其中图神经网络(gnn)以其在处理复杂节点间关系方面的出色能力，被广泛应用于构建个性化推荐系统。通过对目标节点及其邻居节点信息的迭代聚合，gnn能够有效地提炼出每个节点的深层特征表示。尽管gnn已在社交网络分析、生物信息学等领域取得了显著成果。然而，大多数基于图本文档来自技高网...

【技术保护点】

1.一种基于知识图谱和社交图谱融合增强的图神经网络推荐方法，其特征在于，所述用于知识图谱和社交图谱融合增强的图神经网络推荐方法包括以下步骤：

2.根据权利要求1所述基于知识图谱和社交图谱融合增强的图神经网络推荐方法，其特征在于，步骤一中，所述节点编码，包括：

3.根据权利要求1所述基于知识图谱和社交图谱融合增强的图神经网络推荐方法，其特征在于，步骤二中，所述特征融合，包括：

4.根据权利要求1所述基于知识图谱和社交图谱融合增强的图神经网络推荐方法，其特征在于，步骤三中，所述传播迭代，包括：

5.根据权利要求1所述基于知识图谱和社交图谱融合增...

【技术特征摘要】

1.一种基于知识图谱和社交图谱融合增强的图神经网络推荐方法，其特征在于，所述用于知识图谱和社交图谱融合增强的图神经网络推荐方法包括以下步骤：

2.根据权利要求1所述基于知识图谱和社交图谱融合增强的图神经网络推荐方法，其特征在于，步骤一中，所述节点编码，包括：

3.根据权利要求1所述基于知识图谱和社交图谱融合增强的图神经网络推荐方法，其特征在于，步骤二中，所述特征融合，包括：

4.根据权利要求1所述基于知识图谱和社交图谱融合...

【专利技术属性】
技术研发人员：虞增艺，王永固，林灿，韩骁扬，王帆，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：